正则表达式话题

2.非贪婪匹配的效率

   可能有不少的人和我一样，有过这样的经历：当我们要匹配类似"<td>内容</td>"或者"[b]加粗[/b]"这样的文本时，我们根据正向预搜索功能写出这样的表达式："<td>([^<]|<(?!/td>))*</td>"或者"<td>((?!</td>).)*</td>"。

   当发现非贪婪匹配之时，恍然大悟，同样功能的表达式可以写得如此简单："<td>.*?</td>"。顿时间如获至宝，凡是按边界匹配的地方，尽量使用简捷的非贪婪匹配".*?"。特别是对于复杂的表达式来说，采用非贪婪匹配".*?"写出来的表达式的确是简练了许多。

   然而，当一个表达式中，有多个非贪婪匹配时，或者多个未知匹配次数的表达式时，这个表达式将可能存在效率上的陷阱。有时候，匹配速度慢得莫名奇妙，甚至开始怀疑正则表达式是否实用。

效率陷阱的产生：

   在本站基础文章里，对非贪婪匹配的描述中说到：“如果少匹配就会导致整个表达式匹配失败的时候，与贪婪模式类似，非贪婪模式会最小限度的再匹配一些，以使整个表达式匹配成功。”

   具体的匹配过程是这样的：

1. "非贪婪部分"先匹配最少次数，然后尝试匹配"右侧的表达式"。
2. 如果右侧的表达式匹配成功，则整个表达式匹配结束。如果右侧表达式匹配失败，则"非贪婪部分"将增加匹配一次，然后再尝试匹配"右侧的表达式"。
3. 如果右侧的表达式又匹配失败，则"非贪婪部分"将再增加匹配一次。再尝试匹配"右侧的表达式"。
4. 依此类推，最后得到的结果是"非贪婪部分"以尽可能少的匹配次数，使整个表达式匹配成功。或者最终仍然匹配失败。

   当一个表达式中有多个非贪婪匹配，以表达式"d(\w+?)d(\w+?)z"为例，对于第一个括号中的"\w+?"来说，右边的"d(\w+?)z"属于它的"右侧的表达式"，对于第二个括号中的"\w+?"来说，右边的"z"属于它的"右侧的表达式"。

   当"z"匹配失败时，第二个"\w+?"会"增加匹配一次"，再尝试匹配"z"。如果第二个"\w+?"无论怎样"增加匹配次数"，直至整篇文本结束，"z"都不能匹配，那么表示"d(\w+?)z"匹配失败，也就是说第一个"\w+?"的"右侧"匹配失败。此时，第一个"\w+?"会增加匹配一次，然后再进行"d(\w+?)z"的匹配。循环前面所讲的过程，直至第一个"\w+?"无论怎么"增加匹配次数"，后边的"d(\w+?)z"都不能匹配时，整个表达式才宣告匹配失败。

   其实，为了使整个表达式匹配成功，贪婪匹配也会适当的“让出”已经匹配的字符。因此贪婪匹配也有类似的情况。当一个表达式中有较多的未知匹配次数的表达式时，为了让整个表达式匹配成功，各个贪婪或非贪婪的表达式都要进行尝试减少或增加匹配次数，由此容易形成一个大循环的尝试，造成了很长的匹配时间。本文之所以称之为“陷阱”，因为这种效率问题往往不易察觉。

   举例："d(\w+?)d(\w+?)d(\w+?)z"匹配"ddddddddddd..."时，将花费较长一段时间才能判断出匹配失败。

效率陷阱的避免：

   避免效率陷阱的原则是：避免“多重循环”的“尝试匹配”。并不是说非贪婪匹配就是不好的，只是在运用非贪婪匹配的时候，需要注意避免过多“循环尝试”的问题。

   情况一：对于只有一个非贪婪或者贪婪匹配的表达式来说，不存在效率陷阱。也就是说，要匹配类似"<td>内容</td>"这样的文本，表达式"<td>([^<]|<(?!/td>))*</td>"和"<td>((?!</td>).)*</td>"和"<td>.*?</td>"的效率是完全相同的。

   情况二：如果一个表达式中有多个未知匹配次数的表达式，应防止进行不必要的尝试匹配。

   比如，对表达式"<scriptlanguage="(.*?)">(.*?)</script>"来说，如果前面部分表达式在遇到"<scriptlanguage="vbscript">"时匹配成功后，而后边的"(.*?)</script>"却匹配失败，将导致第一个".*?"增加匹配次数再尝试。而对于表达式真正目的，让第一个".*?"增加匹配成“vbscript">”是不对的，因此这种尝试是不必要的尝试。

   因此，对依靠边界来识别的表达式，不要让未知匹配次数的部分跨过它的边界。前面的表达式中，第一个".*?"应该改写成"[^"]*"。后边那个".*?"的右边再没有未知匹配次数的表达式，因此这个非贪婪匹配没有效率陷阱。于是，这个匹配脚本块的表达式，应该写成："<scriptlanguage="([^"]*)">(.*?)</script>"更好。